Debido a las recientes medidas de cuarentena adaptativa impuestas en prácticamente todas las partes del mundo, los viajes aéreos, el transporte público y muchos otros sectores sufrieron un gran impacto en 2020. Sin embargo, el mundo del automóvil y los vehículos autónomos, en particular, han mostrado una mayor resiliencia. durante este momento difícil. De hecho, empresas como Ford han incrementado sus inversiones en el desarrollo de coches eléctricos y autónomos asignando $29 mil millones de dólares en el cuarto trimestre del año pasado. Específicamente, $ 7 mil millones de ese dinero se destinarán al desarrollo de automóviles autónomos. Entonces, Ford se une a General Motors, Tesla, Baidu y otros fabricantes de automóviles para invertir fuertemente en vehículos autónomos. En este artículo, le informaremos por qué las empresas invierten en automóviles autónomos y cómo se entrenan los algoritmos de aprendizaje automático que los impulsan.
¿Por qué tantas empresas invierten en vehículos autónomos?
Cuando echamos un vistazo a todos los beneficios que ofrecen los vehículos autónomos, es fácil ver por qué tantas empresas están invirtiendo en su desarrollo. Los conductores podrán ahorrar más dinero ya que no tendrán que pagar costosos planes de seguro, acelerará sus viajes diarios, mejorará la economía de combustible y muchos otros beneficios. Para las empresas, dicha automatización abre la puerta a mayores ahorros. Un gran ejemplo de esto es el transporte autónomo de larga distancia que podrá reducir los costos operativos en un 45%, según un informe de McKinsey & Company.
El principal beneficio tiene que ser una mayor seguridad. Según la NHTSA, el 94% de los accidentes graves son el resultado de un error humano. Los automóviles autónomos pueden reducir significativamente la cantidad de accidentes, ya que no requieren ninguna intervención del conductor y tienen una vista de 360 grados en todo momento. Además, los sistemas avanzados de seguridad del conductor (ADAS) pueden asumir funciones críticas para la seguridad en situaciones peligrosas, como el frenado y la dirección. Hay muchos valores añadidos que los vehículos autónomos ofrecen a la sociedad, como la reducción de emisiones. De hecho, un caso básico mostró una reducción del 9% en energía y emisiones de GEI en toda la vida del vehículo en comparación con las de un vehículo convencional. No es que sepamos todos los beneficios que ofrecen los autos sin conductor, echemos un vistazo a cómo están entrenados para reconocer el mundo que los rodea.
Cómo funcionan los AV y cómo pueden convertirse en realidad
Un vehículo autónomo debe seguir las reglas de la carretera y, para hacerlo, debe reconocer todas las señales de tráfico, marcas viales, detectar otros vehículos y peatones, y muchos otros objetos. Estos vehículos de IA se basan en el aprendizaje automático para «calcular» lo que se debe hacer en todo tipo de situaciones de conducción. Comencemos con un ejemplo básico. Una persona está en su AV conduciendo por la autopista para ir al trabajo. El automóvil deberá identificar correctamente el límite de velocidad indicado, mantener una distancia segura con el automóvil de adelante y, cuando ingrese a un área residencial, deberá reconocer a los peatones y permitirles cruzar la calle.
Esto requiere que se anoten miles y miles de imágenes mediante técnicas que van desde el etiquetado hasta la segmentación semántica. De hecho, Evgenia Khimenko, directora general de Soporte Mindyuna empresa que brinda servicios de anotación de datos para el sector automotriz, dice que existe una amplia gama de proyectos de anotación de datos para la industria automotriz:
“Estos incluyen proyectos como reconocimiento facial en videos para entrenar autos autónomos para identificar el comportamiento de otros conductores en la carretera, etiquetado de video y anotación para detectar el movimiento y la dirección del vehículo (anotamos más de 545 millones de secuencias de imágenes). Otra tarea sofisticada de anotación de audio fue cuando tuvimos que identificar la marca de tiempo y etiquetar el habla humana, así como todo el ruido de fondo que ocurría dentro del vehículo, como la radio, las risas, los gritos, los cantos, los animales e incluso el silencio”.
Consideremos un escenario complejo. Imagina que el vehículo autónomo circula por un barrio residencial y hay adolescentes con patinetas que esperan para cruzar la calle. De acuerdo con las reglas, el automóvil tiene el derecho de paso, pero es muy probable que los adolescentes no esperen a que el semáforo se ponga en verde e intenten cruzar la calle prematuramente. Un conductor humano será muy consciente de dicho riesgo y reducirá la velocidad para anticiparse a tal evento, pero para una máquina, esto sería muy difícil de calcular. Este es el próximo paso que los investigadores están tratando de dar con los vehículos autónomos y simplemente más datos anotados pueden ser la respuesta.
¿Cómo ven los AV el mundo físico?
Los vehículos autónomos confían en la tecnología LiDAR para ayudarlos a ver el mundo que los rodea. LiDAR crea una nube de puntos 3D que es una representación digital de cómo el sistema de IA ve el mundo. Esta tecnología no está reservada solo para vehículos autónomos, también se usa para otros trabajos de automatización de procesos robóticos, como crear un robot que pueda cosechar cultivos para el sector agrícola. La nube de puntos 3D también deberá anotarse para que la máquina sepa exactamente lo que está viendo. Esto generalmente se hace con técnicas como el etiquetado, las cajas 3D y la segmentación semántica. Una forma más avanzada de anotación sería codificar con colores la nube de puntos 3D para que el vehículo comprenda la distancia del objeto.
La forma en que funciona LiDAR es que envía una señal de luz a todos los objetos que lo rodean y, dependiendo de cuánto tarde la luz en regresar, le da a la IA una comprensión de qué tan lejos está el objeto. Por ejemplo, el suelo en la nube de puntos 3D siempre será azul porque es el punto más bajo, la luz rebotará rápidamente y el azul tiene una longitud de onda muy corta. Uno de los edificios circundantes puede ser rojo o naranja dependiendo de qué tan lejos esté.
Vale la pena señalar que LiDAR no es el único juego en la ciudad. Por ejemplo, Tesla usa algo llamado Hydrant, que es una combinación de ocho cámaras que unen una imagen completa de la carretera. Otras empresas, como Waymo y Voyage, utilizan LiDAR. Una posible razón por la que Tesla puede estar evitando LiDAR es que es muy voluminoso y arruina la apariencia general del automóvil. Después de todo, los Tesla son muy caros y los conductores probablemente no querrán una caja gigante en el techo de sus autos. Las empresas que desarrollan robotaxis, como Waymo, pueden salirse con la suya usando LiDAR.
¿Por qué son tan importantes los datos de capacitación de calidad?
Tener datos de entrenamiento de calidad es una de las cosas más esenciales que debe tener para crear un automóvil autónomo. Sin embargo, la simple obtención de estos datos no es suficiente. Los conjuntos de datos de entrenamiento deben prepararse a través de la anotación de datos para que el sistema de IA pueda aprender de ellos. Si bien este es un proceso tedioso y que consume mucho tiempo, el éxito de todo el proyecto depende de ello. Después de todo, los autos sin conductor son el futuro y potencialmente pueden ayudarnos a reducir o incluso eliminar algunos de los problemas que estamos experimentando en términos de accidentes automovilísticos y víctimas, problemas ambientales y embotellamientos en las carreteras.